InsightFinder har samlet inn 15 millioner dollar i serie B-finansiering ledet av Yu Galaxy for å takle AI-pålitelighet i produksjon

InsightFinder har samlet inn 15 millioner dollar i serie B-finansiering ledet av Yu Galaxy, og bringer deres totale finansiering til 35 millioner dollar. Økningen kommer når selskapet rapporterer om økende bedriftstiltak, inkludert milliondollarsavtaler med Fortune 50-organisasjoner, og reflekterer økende etterspørsel etter infrastruktur som kan gjøre AI-systemer pålitelige når de er deployert i sanntidsmiljøer.

Skiftet fra AI-ytelse til AI-pålitelighet

Når bedrifter flytter AI-systemer ut av kontrollerte miljøer og inn i produksjon, oppstår det en konsistent mønster: systemer som fungerer godt i testing, bryter ofte sammen under sanntidsbetingelser. Problemet er ikke modellkapasitet, men kontekst. De fleste AI-systemer mangler en dyp forståelse av de spesifikke forretningsmiljøene de opererer innenfor.

InsightFinder fokuserer på å lukke denne gapen. Deres plattform er bygget rundt ideen om at pålitelighet i AI ikke bare handler om å overvåke målinger som latens eller feilrater, men om å forstå hva “normalt” ser ut i en spesifikk forretningsprosess. Dette inkluderer alt fra betalingssystemer og logistikkpipeliner til kundesupportoperasjoner.

Utvidelse av overvåkbarhet til AI-systemer

Opprinnelig bygget for å håndtere komplekse IT-operasjoner, InsightFinders kjerne-teknologi handler om å detektere anomalier, identifisere årsaker og forutsi feil i distribuerte systemer. Samme underliggende tilnærming brukes nå til AI-systemer, spesielt de som involverer store språkmodeller og agent-baserte arbeidsflyter.

I motsetning til tradisjonelle overvåkingsverktøy som fokuserer på infrastruktur, analyserer InsightFinders plattform multi-kilde, multi-modal data for å diagnostisere hvorfor AI-systemer oppfører seg uventet. Dette inkluderer å identifisere modell-drift, spore feil over agent-arbeidsflyter og fremheve problemer som ikke utløser åpenbare varsler.

Bygging av en lukket tilbakemeldingsløkke for AI-systemer

En sentral tema i InsightFinders tilnærming er behovet for å koble hva som skjer i produksjon tilbake til utvikling. Mange AI-verktøy fokuserer på evaluering under testing eller overvåking i produksjon, men få kobler de to sammen i en kontinuerlig løkke.

InsightFinders plattform introduserer funksjoner designet for å lukke denne løkken:

• Prompt-sammenligningsverktøy som evaluerer ytelse over datasett, modeller og kostnads-målinger
• Domene-spesifikke små språkmodeller (SLM-er) brukt som evalueringer som forstår forretnings-spesifikke kvalitetsstandarder
• Automatiserte finjusterings-pipelines som bruker produksjonsfeil til å forbedre modell-ytelse
• Multi-agent-sporing som rekonstruerer eksekverings-veier over komplekse arbeidsflyter

Sammen har disse funksjonene som mål å transformere produksjonsdata til handlebare innsikter som kontinuerlig forbedrer AI-systemer.

Hvorfor generisk AI ikke er nok i bedriftsmiljøer

En av de sentrale utfordringene InsightFinder adresserer er misforholdet mellom generiske AI-modeller og domene-spesifikke krav. Grunnleggende modeller er trent på brede datasett og utmerker seg i mønster-gjenkjenning, men de mangler en forståelse av bransje-spesifikke nyanser.

Dette skaper et lag av risiko som ofte undervurderes. I sektorer som helse, finanse og logistikk kan små avvik ha store konsekvenser. InsightFinders tilnærming er å innbygge domene-bevissthet i evaluering- og overvåkingsprosesser, og lar systemer bli dømt etter forretnings-spesifikke kriterier i stedet for generiske benchmark.

En tjenestemodell bygget rundt implementering, ikke bare programvare

En annen distinkt aspekt av InsightFinder er hvordan de leverer sin plattform. I stedet for en tradisjonell SaaS-modell hvor kunder blir etterlatt til å konfigurere verktøy uavhengig, arbeider selskapet tett med organisasjoner for å tilpasse systemer til deres miljøer.

Dette inkluderer å justere plattformen med interne arbeidsflyter, definere evaluering-kriterier og integrere domene-spesifikke logikk. Målet er å sikre at innsiktene generert av systemet er handlebare innenfor konteksten av hver organisasjons operasjoner.

Den nye finansieringen vil bli brukt delvis til å utvide denne kunde-orienterte kapasiteten, spesielt over bedriftssalg og kunde-succes-funksjoner.

Det større bildet: AI som kritisk infrastruktur

Tidspunktet for InsightFinders finansiering høydepunkt en bredere skift i hvordan AI blir oppfattet. Når AI-systemer blir integrert i kritisk infrastruktur som sykehus, finansielle systemer og leverandørkjeder, blir pålitelighet mindre en teknisk bekymring og mer en samfunnsmessig en.

Begrepet som oppstår her er at AI-systemer trenger noe lignende et “immunsystem” som kan detektere, diagnostisere og respondere på feil i sanntid. Dette er laget InsightFinder posisjonerer seg for å bygge.

I stedet for å fokusere på å gjøre modellene mer kraftfulle, retter selskapet seg mot et annet problem: å gjøre dem pålitelige. Når AI-adoptsjon akselererer, er denne distinksjonen sannsynligvis å bli stadig viktigere .